文献类型：期刊文章

作　　者：韩淞宇[1] 邵海东[1] 姜洪开[2] 张笑阳[3]

HAN Songyu;SHAO Haidong;JIANG Hongkai;ZHANG Xiaoyang(College of Mechanical and Vehicle Engineering,Hunan University,Changsha 410082,China;School of Civil Aviation,Northwestern Polytechnical University,Xi’an 710072,China;Civil Aircraft Department,AVIC Xi’an Aeronautics Computing Technique Research Institute,Xi’an 710065,China)

机构地区：[1]湖南大学机械与运载工程学院,长沙410082 [2]西北工业大学民航学院,西安710072 [3]中国航空工业集团公司西安航空计算技术研究所民机事业部,西安710065

出　　处：《航空学报》

基　　金：国家重点研发计划(2020YFB1712100);国家自然科学基金(51905160);湖南省自然科学基金(2020JJ5072)。

年　　份：2022

卷　　号：43

期　　号：9

起止页码：150-163

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：航空发动机轴承长时间工作在高速重载的恶劣条件下,将不可避免地产生性能衰退甚至引发各种故障,自动准确的航空发动机高速轴承故障诊断方法有助于提升运行安全性和维修经济性。航空发动机高速轴承的原始振动信号具有强烈的非平稳性,且其故障样本数量远小于健康样本,传统的智能诊断方法更容易向大样本偏斜,从而导致诊断性能的降低。针对上述问题,提出了一种基于自适应权重和多尺度卷积的提升卷积神经网络(CNN)。首先构造多尺度卷积网络提取故障样本的多尺度特征,挖掘具有识别性的有用信息;然后设计自适应权重单元对多尺度特征进行加权融合,增加重要特征的贡献度,减少非相关特征的影响;最后采用Focal Loss作为损失函数,使训练过程中网络模型更关注故障样本和易混淆样本。通过航空发动机高速轴承振动数据的测试与分析,证实了所提方法在不平衡数据故障诊断任务中的可行性。

关 键 词：航空发动机高速轴承  智能故障诊断 提升卷积神经网络  不平衡数据 多尺度特征提取  自适应权重 损失函数补偿  

分 类 号：V232.2]